こんにちは、ちょっと開発してみました。 無料のSDKでPyTorchベースで巨大な計算が解けます。GPUを増やすと解ける問題を増やすことができると思いますが、今後の開発に期待です。今回は単体のCPU/GPUを使って組合せ最適化問題を解いてみます。 Tytan（タイタン）というQUBOアニーリングのSDKに統合しました。有志によって運用されています。 Tytan<a href="https://github.com/tytansdk/tytan" rel="noopener noreferrer" target="_blank">https://github.com/tytansdk/tytan</a> 使い方はシンプルです。とりあえずgithubに載せたので、インストールは、 <pre class="ql-syntax" spellcheck="false">pip install -U git+https://github.com/tytansdk/tytan
</pre> 使い方はやはりシンプルです。今回のTorch TytanではPyTorchもインストールが必要ですので、合わせて入れておいてください。通常のTytanでソルバーを変更するだけです。今回の指定するソルバーは、 <pre class="ql-syntax" spellcheck="false">solver = sampler.ArminSampler()
</pre> で、アルミンソルバーを指定すればOKです。標準ではCPUモードになっていますので、 <pre class="ql-syntax" spellcheck="false">solver = sampler.ArminSampler(mode=&#34;GPU&#34;)
</pre> のように指定してあげるとGPUモードになります。 <pre class="ql-syntax" spellcheck="false">from tytan import *
import random

N = 5000

#量子ビットを用意（まとめて定義）
q = symbols_list([N])
print(q)

# 式を記述（ランダムな数を与えます）
H = 0

# バイアスを設定
for i in range(N):
 H += random.randint(-10, 10) * q[i]

# 全部の相互作用を追加するの大変なので、5000箇所だけ指定
for i in range(5000):
 H += random.choice([-1, 1]) * q[random.randint(0,N-1)] * q[random.randint(0,N-1)]

print(H)

#コンパイル
qubo, offset = Compile(H).get_qubo()

#サンプラー選択
solver = sampler.ArminSampler(mode=&#34;GPU&#34;)

#サンプリング
result = solver.run(qubo, show=True)

#結果
for r in result:
 print(r)
</pre> こんな感じですね。 <pre class="ql-syntax" spellcheck="false">[q0 q1 q2 ... q4997 q4998 q4999]
3*q0 - 9*q1 - 3*q10 - 10*q100 + 4*q1000 （略）
GPU MODE
[{&#39;q0&#39;: 0, &#39;q1&#39;: 1, &#39;q10&#39;: 1, （中略）, -11177.0, 1]
</pre> 今回はオプションで履歴をつけてるので、<img src="https://assets.blueqat.com/public/uploads/us-east-2:4805ff4b-c3cc-4344-b165-86544c34d0bf/2024/02/09/ダウンロード.png"/> サンプラー自体はこちらにあります、<a href="https://github.com/tytansdk/tytan/blob/main/tytan/sampler.py" rel="noopener noreferrer" target="_blank">https://github.com/tytansdk/tytan/blob/main/tytan/sampler.py</a> インスタンス生成時にはモードの指定、シードの指定ができます。mode = &#39;CPU&#39; か mode=&#39;GPU&#39;が指定できます。<pre class="ql-syntax" spellcheck="false">  def __init__(self, mode=&#39;CPU&#39;, seed=None, seed_cuda=None):
</pre> 実行時にはいくつかオプションがありますが、重要なのは、num_iterationsでシミュレーションのステップ数を長くできます。大規模になったらこちらを大きめにとるのが良いかと。また、show=Trueを指定するとグラフが見れます。<pre class="ql-syntax" spellcheck="false">  def run(self, qubo, shots=1, initial_temp=10.0, final_temp=0.1, alpha=0.95, num_iterations=10000, show=False):
</pre> どうでしょうか？GPUを持っているとかなり夢が広がります。今回の問題もGoogle Colabの無料T4でも10秒くらいで計算が終わります。式展開などを入れても20秒ほどでした。ぜひ色々試してみてください。

誰でも大規模QUBOアニーリング。PyTorchベースの無料QUBOソルバーTorch Tytanの使い方。

Yuichiro Minato